高并发也算是这几年的热门词汇了，尤其在互联网圈，开口不聊个高并发问题，都不好意思出门。高并发有那么邪乎吗？动不动就千万并发、亿级流量，听上去的确挺吓人。但仔细想想，这么大的并发与流量不都是通过路由器来的吗？（文末有一点送给Java程序员进阶的小福利，感兴趣的话可以自行前往。）
一切源自网卡
高并发的流量通过低调的路由器进入我们系统，之一道关卡就是网卡，网卡怎么抗住高并发？这个问题压根就不存在，千万并发在网卡看来，一样一样的，都是电信号，网卡眼里根本区分不出来你是千万并发还是一股洪流，所以衡量网卡牛不牛都说带宽，从来没有并发量的说法。
网卡位于物理层和链路层，最终把数据传递给 层（IP层），在 层有了IP地址，已经可以识别出你是千万并发了，所以搞 层的可以自豪的说，我解决了高并发问题，可以出来吹吹牛了。谁没事搞 层呢？主角就是路由器，这玩意主要就是玩儿 层。
一头雾水
非专业的我们，一般都把 层（IP层）和传输层（TCP层）放到一起，操作系统提供，对我们是透明的，很低调、很靠谱，以至于我们都把他忽略了。
吹过的牛是从应用层开始的，应用层一切都源于Socket，那些千万并发最终会经过传输层变成千万个Socket，那些吹过的牛，不过就是如何快速处理这些Socket。处理IP层数据和处理Socket究竟有啥不同呢？
没有连接，就没用等待
最重要的一个不同就是IP层不是面向连接的，而Socket是面向连接的，IP层没有连接的概念，在IP层，来一个数据包就处理一个，不用瞻前也不用顾后；而处理Socket，必须瞻前顾后，Socket是面向连接的，有上下文的，读到一句我爱你，激动半天，你不前前后后地看看，就是瞎激动了。
你想前前后后地看明白，就要占用更多的内存去记忆，就要占用更长的时间去等待；不同连接要搞好隔离，就要分配不同的线程（或者协程）。所有这些都解决好，貌似还是有点难度的。
感谢操作系统
操作系统是个好东西，在Linux系统上，所有的IO都被抽象成了文件， IO也不例外，被抽象成Socket，但是Socket还不仅是一个IO的抽象，它同时还抽象了如何处理Socket，最著名的就是select和epoll了，知名的nginx、Netty、redis都是基于epoll搞的，这仨家伙基本上是在千万并发领域必备神技。
但是多年前，Linux只提供了select的，这种模式能处理的并发量非常小，而epoll是专为高并发而生的，感谢操作系统。不过操作系统没有解决高并发的所有问题，只是让数据快速地从网卡流入我们的应用程序，如何处理才是老大难。
操作系统的使命之一就是更大限度的发挥硬件的能力，解决高并发问题，这也是最直接、最有效的方案，其次才是分布式计算。前面我们提到的nginx、netty、redis都是更大限度发挥硬件能力的典范。如何才能更大限度的发挥硬件能力呢？
核心矛盾
要更大限度的发挥硬件能力，首先要找到核心矛盾所在。我认为，这个核心矛盾从计算机诞生之初直到现在，几乎没有发生变化，就是CPU和IO之间的矛盾。
CPU以摩尔定律的速度野蛮发展，而IO设备（磁盘，网卡）却乏善可陈。龟速的IO设备成为性能瓶颈，必然导致CPU的利用率很低，所以提升CPU利用率几乎成了发挥硬件能力的代名词。
中断与缓存
CPU与IO设备的协作基本都是以中断的方式进行的，例如读磁盘的操作，CPU仅仅是发一条读磁盘到内存的指令给磁盘驱动，之后就立即返回了，此时CPU可以接着干其他事情，读磁盘到内存本身是个很耗时的工作，等磁盘驱动执行完指令，会发个中断请求给CPU，告诉CPU任务已经完成，CPU处理中断请求，此时CPU可以直接操作读到内存的数据。
中断机制让CPU以最小的代价处理IO问题，那如何提高设备的利用率呢？答案就是缓存。
操作系统内部维护了IO设备数据的缓存，包括读缓存和写缓存，读缓存很容易理解，我们经常在应用层使用缓存，目的就是尽量避免产生读IO。
写缓存应用层使用的不多，操作系统的写缓存，完全是为了提高IO写的效率。操作系统在写IO的时候会对缓存进行合并和调度，例如写磁盘会用到电梯调度算法。
高效利用网卡
高并发问题首先要解决的是如何高效利用网卡。网卡和磁盘一样，内部也是有缓存的，网卡接收 数据，先存放到网卡缓存，然后写入操作系统的内核空间（内存），我们的应用程序则读取内存中的数据，然后处理。
除了网卡有缓存外，TCP/IP协议内部还有发送缓冲区和接收缓冲区以及SYN积压队列、accept积压队列。
这些缓存，如果配置不合适，则会出现各种问题。例如在TCP建立连接阶段，如果并发量过大，而nginx里面socket的backlog设置的值太小，就会导致大量连接请求失败。
如果网卡的缓存太小，当缓存满了后，网卡会直接把新接收的数据丢掉，造成丢包。当然如果我们的应用读取 IO数据的效率不高，会加速网卡缓存数据的堆积。如何高效读取 数据呢？目前在Linux上广泛应用的就是epoll了。
操作系统把IO设备抽象为文件， 被抽象成了Socket，Socket本身也是一个文件，所以可以用read/write 来读取和发送 数据。在高并发场景下，如何高效利用Socket快速读取和发送 数据呢？
要想高效利用IO，就必须在操作系统层面了解IO模型，在《UNIX 编程》这本经典著作里，总结了五种IO模型，分别是阻塞式IO，非阻塞式IO，多路复用IO，信号驱动IO和异步IO。
阻塞式IO
我们以读操作为例，当我们调用read 读取Socket上的数据时，如果此时Socket读缓存是空的（没有数据从Socket的另一端发过来），操作系统会把调用read 的线程挂起，直到Socket读缓存里有数据时，操作系统再把该线程唤醒。
当然，在唤醒的同时，read 也返回了数据。我理解所谓的阻塞，就是操作系统是否会挂起线程。
非阻塞式IO
而对于非阻塞式IO，如果Socket的读缓存是空的，操作系统并不会把调用read 的线程挂起，而是立即返回一个EAGAIN的错误码，在这种情景下，可以轮询read ，直到Socket的读缓存有数据则可以读到数据，这种方式的缺点非常明显，就是消耗大量的CPU。
多路复用IO
对于阻塞式IO，由于操作系统会挂起调用线程，所以如果想同时处理多个Socket，就必须相应地创建多个线程，线程会消耗内存，增加操作系统进行线程切换的负载，所以这种模式不适合高并发场景。有没有办法较少线程数呢？
非阻塞IO貌似可以解决，在一个线程里轮询多个Socket，看上去可以解决线程数的问题，但实际上这个方案是无效的，原因是调用read 是一个系统调用，系统调用是通过软中断实现的，会导致进行用户态和内核态的切换，所以很慢。
但是这个思路是对的，有没有办法避免系统调用呢？有，就是多路复用IO。
在Linux系统上select/epoll这俩系统API支持多路复用IO，通过这两个API，一个系统调用可以监控多个Socket，只要有一个Socket的读缓存有数据了， 就立即返回，然后你就可以去读这个可读的Socket了，如果所有的Socket读缓存都是空的，则会阻塞，也就是将调用select/epoll的线程挂起。
所以select/epoll本质上也是阻塞式IO，只不过他们可以同时监控多个Socket。
select和epoll的区别
为什么多路复用IO模型有两个系统API？我分析原因是，select是POSIX标准中定义的，但是性能不够好，所以各个操作系统都推出了性能更好的API，如Linux上的epoll、Windows上的IOCP。
至于select为什么会慢，大家比较认可的原因有两点，一点是select 返回后，需要遍历所有监控的Socket，而不是发生变化的Ssocket，还有一点是每次调用select ，都需要在用户态和内核态拷贝文件描述符的位图（通过调用三次copy_from_user 拷贝读、写、异常三个位图）。epoll可以避免上面提到的这两点。
Reactor多线程模型
在Linux操作系统上，性能最为可靠、稳定的IO模式就是多路复用，我们的应用如何能够利用好多路复用IO呢？经过前人多年实践总结，搞了一个Reactor模式，目前应用非常广泛，著名的Netty、Tomcat NIO就是基于这个模式。
Reactor的核心是事件分发器和事件处理器，事件分发器是连接多路复用IO和 数据处理的中枢，核心就是监听Socket事件（select/epoll_wait），然后将事件分发给事件处理器，事件分发器和事件处理器都可以基于线程池来做。
需要重点提一下的是，在Socket事件中主要有两大类事件，一个是连接请求，另一个是读写请求，连接请求成功处理之后会创建新的Socket，读写请求都是基于这个新创建的Socket。
所以在 处理场景中，实现Reactor模式会稍微有点绕，但是原理没有变化。
Reactor原理图
Nginx多进程模型
Nginx默认采用的是多进程模型，Nginx分为Master进程和Worker进程，真正负责监听 请求并处理请求的只有Worker进程，所有的Worker进程都监听默认的80端口，但是每个请求只会被一个Worker进程处理。
这里面的玄机是：每个进程在accept请求前必须争抢一把锁，得到锁的进程才有权处理当前的 请求。每个Worker进程只有一个主线程，单线程的好处是无锁处理，无锁处理并发请求，这基本上是高并发场景里面的更高境界了。
数据经过网卡、操作系统、 协议中间件（Tomcat、Netty等）重重关卡，终于到了我们应用开发人员手里，我们如何处理这些高并发的请求呢？我们还是先从提升单机处理能力的角度来思考这个问题。
突破木桶理论
据经过网卡、操作系统、中间件（Tomcat、Netty等）重重关卡，终于到了我们应用开发人员手里，我们如何处理这些高并发的请求呢？
我们还是先从提升单机处理能力的角度来思考这个问题，在实际应用的场景中，问题的焦点是如何提高CPU的利用率（谁叫它发展的最快呢），木桶理论讲最短的那根板决定水位，那为啥不是提高短板IO的利用率，而是去提高CPU的利用率呢？
这个问题的答案是在实际应用中，提高了CPU的利用率往往会同时提高IO的利用率。当然在IO利用率已经接近极限的条件下，再提高CPU利用率是没有意义的。我们先来看看如何提高CPU的利用率，后面再看如何提高IO的利用率。
并行与并发
提升CPU利用率目前主要的 是利用CPU的多核进行并行计算，并行和并发是有区别的，在单核CPU上，我们可以一边听MP3，一边Coding，这个是并发，但不是并行，因为在单核CPU的视野，听MP3和Coding是不可能同时进行的。
只有在多核时代，才会有并行计算。并行计算这东西太高级，工业化应用的模型主要有两种，一种是共享内存模型，另外一种是消息传递模型。
多线程设计模式
对于共享内存模型，其原理基本都来自***Dijkstra在半个世纪前（1965）的一篇论文《Cooperating sequential processes》，这篇论文提出了大名鼎鼎的概念信号量，Java里面用于线程同步的wait/notify也是信号量的一种实现。
***的东西看不懂，学不会也不用觉得丢人，毕竟***的嫡传子弟也没几个。东洋有个叫结城浩的总结了一下多线程编程的经验，写了本书叫《JAVA多线程设计模式》，这个还是挺接地气（能看懂）的。下面简单介绍一下。
1. Single Threaded Execution
这个模式是把多线程变成单线程，多线程在同时访问一个变量时，会发生各种莫名其妙的问题，这个设计模式直接把多线程搞成了单线程，于是安全了，当然性能也就下来了。最简单的实现就是利用synchronized将存在安全隐患的代码块（ ）保护起来。在并发领域有个临界区（criticalsections）的概念，我感觉和这个模式是一回事。
2. Immutable Pattern
如果共享变量永远不变，那就多个线程访问就没有任何问题，永远安全。这个模式虽然简单，但是用的好，能解决很多问题。
3. Guarded Suspension Patten
这个模式其实就是等待-通知模型，当线程执行条件不满足时，挂起当前线程（等待），当条件满足时，唤醒所有等待的线程（通知），在Java语言里利用synchronized，wait/notifyAll可以很快实现一个等待通知模型。结城浩将这个模式总结为多线程版的If，我觉得非常贴切。
4. Balking
这个模式和上个模式类似，不同点是当线程执行条件不满足时直接退出，而不是像上个模式那样挂起。这个用法更大的应用场景是多线程版的单例模式，当对象已经创建了（不满足创建对象的条件）就不用再创建对象（退出）。
5. Producer-Consumer
生产者-消费者模式，全世界人都知道。我接触的最多的是一个线程处理IO（如查询数据库），一个（或者多个）线程处理IO数据，这样IO和CPU就都能成分利用起来。如果生产者和消费者都是CPU密集型，再搞生产者-消费者就是自己给自己找麻烦了。
6. Read-Write Lock
读写锁解决的读多写少场景下的性能问题，支持并行读，但是写操作只允许一个线程做。如果写操作非常非常少，而读的并发量非常非常大，这个时候可以考虑使用写时***（copy on write）技术，我个人觉得应该单独把写时***单独作为一个模式。
7. Thread-Per-Message
就是我们经常提到的一请求一线程。
8. Worker Thread
一请求一线程的升级版，利用线程池解决线程的频繁创建、销毁导致的性能问题。BIO年代Tomcat就是用的这种模式。
9. Future
当你调用某个耗时的同步 很心烦，想同时干点别的事情，可以考虑用这个模式，这个模式的本质是个同步变异步的转换器。同步之所以能变异步，本质上是启动了另外一个线程，所以这个模式和一请求一线程还是多少有点关系的。
10. Two-Phase Termination
这个模式能解决优雅地终止线程的需求。
11. Thread-Specific Storage
线程本地存储，避免加锁、解锁开销的利器，C#里面有个支持并发的容器ConcurrentBag就是采用了这个模式，这个星球上最快的数据库连接池HikariCP借鉴了ConcurrentBag的实现，搞了个Java版的，有兴趣的同学可以参考。
12. Active Object（这个不讲也罢）
这个模式相当于降龙十八掌的最后一掌，综合了前面的设计模式，有点复杂，个人觉得借鉴的意义大于参考实现。
最近国人也出过几本相关的书，但总体还是结城浩这本更能经得住推敲。基于共享内存模型解决并发问题，主要问题就是用好锁，但是用好锁，还是有难度的，所以后来又有人搞了消息传递模型，这个后面再聊。
基于共享内存模型解决并发问题，主要问题就是用好锁，但是用好锁，还是有难度的，所以后来又有人搞了消息传递模型。
消息传递模型
共享内存模型难度还是挺大的，而且你没有办法从理论上证明写的程序是正确的，我们总一不小心就会写出来个死锁的程序来，每当有了问题，总会有***出来，于是消息传递（Message-Passing）模型横空出世（发生在上个世纪70年代），消息传递模型有两个重要的分支，一个是Actor模型，一个是CSP模型。
Actor模型
Actor模型因为Erlang声名鹊起，后来又出现了Akka。在Actor模型里面，没有操作系统里所谓进程、线程的概念，一切都是Actor，我们可以把Actor想象成一个更全能、更好用的线程。
在Actor内部是线性处理（单线程）的，Actor之间以消息方式交互，也就是不允许Actor之间共享数据，没有共享，就无需用锁，这就避免了锁带来的各种副作用。
Actor的创建和new一个对象没有啥区别，很快、很小，不像线程的创建又慢又耗资源；Actor的调度也不像线程会导致操作系统上下文切换（主要是各种寄存器的保存、恢复），所以调度的消耗也很小。
Actor还有一个有点争议的优点，Actor模型更接近现实世界，现实世界也是分布式的、异步的、基于消息的、尤其Actor对于异常（失败）的处理、自愈、监控等都更符合现实世界的逻辑。
但是这个优点改变了编程的思维习惯，我们目前大部分编程思维习惯其实是和现实世界有很多差异的（这个回头再细说），一般来讲，改变我们思维习惯的事情，阻力总是超乎我们的想象。
CSP模型
Golang在语言层面支持CSP模型，CSP模型和Actor模型的一个感官上的区别是在CSP模型里面，生产者（消息发送方）和消费者（消息接收方）是完全松耦合的，生产者完全不知道消费者的存在，但是在Actor模型里面，生产者必须知道消费者，否则没办法发送消息。
CSP模型类似于我们在多线程里面提到的生产者-消费者模型，核心的区别我觉得在于CSP模型里面有类似绿色线程（green thread）的东西，绿色线程在Golang里面叫做协程，协程同样是个非常轻量级的调度单元，可以快速创建而且资源占用很低。
Actor在某种程度上需要改变我们的思维方式，而CSP模型貌似没有那么大动静，更容易被现在的开发人员接受，都说Golang是工程化的语言，在Actor和CSP的选择上，也可以看到这种体现。
多样世界
除了消息传递模型，还有事件驱动模型、函数式模型。事件驱动模型类似于观察者模式，在Actor模型里面，消息的生产者必须知道消费者才能发送消息，而在事件驱动模型里面，事件的消费者必须知道消息的生产者才能注册事件处理逻辑。
Akka里消费者可以跨 ，事件驱动模型的具体实现如Vertx里，消费者也可以订阅跨 的事件，从这个角度看，大家都在取长补短。
总结
本文来自京东架构师的笔下，这篇文章涉及到了很多并发知识，对高并发感兴趣的朋友可以共同交流，欢迎在下方评论，转发和收藏文章。
如果你对java架构技术真的很感兴趣，而且已经工作了1~5年，对自己目前所掌握的技术感觉逐渐不够用了，我这边整理了一些有关于java架构方面的视频、书籍和面试资料（Dubbo、Redis、Mybatis、Netty、zookeeper、Spring MVC、Spring boot、Spring cloud、分布式、高并发等架构技术），如果需要以上资料的话，可以私信【资料】免费获取。
